互联网的飞速发展以及中国电子商务模式的不断创新造就了中国电子商务成交规模的爆发。2013年中国网络零售业总额超过1.8万亿元,与2012年同比增长47%,网购用户数3.02亿,约占全国总人口数的22%,相比2012年增长25%。但在一组组数据背后隐含着一个困境,即电商平台运营商面临了越来越大的信息识别难题。电商平台需要从3亿消费者中准确识别每个消费者的购物特征和偏好,并从数以亿计的商品中甄别出适配商品并提高展示优先级,然后才能让消费者更容易的发现他所需要的商品。因此,有必要对我国电商平台的商品网络特征、消费者网络特征以及评价特征进行研究。通过对国内外的研究梳理发现,目前电商平台个性化推荐的研究集中于基于商品关联规则的购物篮分析及个性化推荐算法优化,少部分作者开始尝试将关联规则与商品网络结合研究网络中节点的关系强度以及网络拓扑结构但仍缺乏深入性,本文基于复杂网络理论以及文本挖掘方法,以电商平台的销售数据为基础,研究了商品网络、消费者网络以及评价特征,结果表明,商品网络具有明显的无标度特征而消费者网络没有这样的性质,相同购买的商品之间一般具有互补品或者替代品的特征,不同品类的差评率差别不大但消费者差评关键词差异很大。在商品网络、消费者网络和评价的基础上,本文进一步研究了调性商品和高端人群挖掘方法,并提出了基于商品网络、消费者网络和评价的商品关联度回归模型。本研究的贡献有两方面：理论上,为基于商品网络、消费者网络以及评价特征研究电商平台销售促进提供了模式借鉴,并提出了基于时间的商品关联强度的方法、基于网络最大流的商品网络关联度算法以及基于商品网络、消费者网络和评价的商品关联度回归模型；实践上,为电商平台销售促进从多方面提出了有益的建议,例如依据消费者购买关系进行市场细分、依据商品关系进行市场需求预测、依据消费者购买记录作个性化产品折扣策略、将有限的资源位更多的用来打造爆款商品、采取单品推荐形式为高调性商品开发单独的运营频道、限定消费者评价字数降低消费者差评质量以及根据消费者评价针对不同品类商品制定相应的销售规则。